行为模式命令模式python 行为树 python

一个预测未来消费行为的示例，即已经采集了过去消费行为的信息，并用来建立一个模型以对未来的消费行为进行预测。该示例简要演示了数据预处理、提取特征、选择模型、训练模型、评估模型、应用等阶段，供读者初步了解机器学习的应用流程。

过去的消费行为信息包括消费者进店的年月日，性别（1男 0女）和是否消费（1消费 0没消费）共五项 部分数据如下

 1：切分训练集和测试集

代码如下

# 将训练数据切分为训练集和验证集
train_set = [] # 训练集
train_labels = [] # 训练集的标签
valid_set = [] # 验证集
valid_labels = [] # 验证集的标签
for i in range(len(train_data)):
    if i < 20: # 将训练数据的前20条作为训练集，后10条作为验证集
        train_set.append( train_data[i][:4])
        train_labels.append(train_data[i][4])
    else:
        valid_set.append( train_data[i][:4])
        valid_labels.append(train_data[i][4])

2：直接用原始数据训练模型

 不提取特征，直接用原始数据来训练模型 代码如下

from sklearn import tree # 导入决策树库
clf = tree.DecisionTreeClassifier() # 创建一个分类决策树对象
clf = clf.fit(train_set, train_labels) # 训练模型
print(valid_labels)
print(clf.predict(valid_set)) # 用训练好的模型来预测验证集，验证误差率为0.5

输出结果如下，可见有五个预测错误 验证误差率位0.5，基本属于瞎猜，没有实际效果 

 按一般的常识，消费者可能在周末的消费意愿要高一点，因此可以提取出是否周末的特征来训练模型

3：提取周末特征训练模型

定义一个判断是否为周末的函数 

import datetime # 导入datetime模块，该模块用来处理与日期和时间有关的计算

# 定义一个判断是否为周末的函数
def isweekend( date ): 
    theday = datetime.date( date[0], date[1], date[2] ) # 创建一个date对象
    if theday.isoweekday() in { 6, 7 }: # 如果date是周末则返回1，否则返回0
        return 1
    else:
        return 0
isweekend([2020, 11, 15])

预测结果如下

可见误差率在0.2左右，比之前用原始数据的准确率提高不少

 由上面可知，如果提取了是否为周末的特征，那么预测成功率将会大大提高，实际上，对训练数据的统计显示，男性每进一次店由消费行为的概率为0.75，不分周末还是平时，而女性在周末进店有消费行为的概率为0.66，非周末进店有消费行为的概率为0.34，因此如果不提起是否为周末的特征，模型无法充分利用日期信息进行学习。

创作不易 觉得有帮助请点赞关注收藏~~~